Introducción a la Teoría de la Probabilidad

Vista previa del material en texto

Introducción a la
probabilidad
Luis Rincón
Departamento de Matemáticas
Facultad de Ciencias UNAM
Circuito Exterior de CU
04510 México DF
Agosto 2014
Prólogo
El presente trabajo contiene material suficiente para un primer curso a nivel
universitario sobre la teoŕıa de la probabilidad. Está dirigido a estudiantes
de las carreras de actuaŕıa, matemáticas y otras carreras cient́ıficas simila-
res cuyos programas de estudio contemplan un curso en donde se muestren
los resultados, usos y aplicaciones de la probabilidad. Se exponen temas
tradicionales de la probabilidad básica, se estudian las variables aleatorias
más conocidas y sus distribuciones de probabilidad, aśı como algunas técni-
cas y resultados clásicos de la probabilidad. Se ha buscado que en el texto
aparezcan numerosas gráficas y diagramas con el objetivo de hacer las ex-
plicaciones más claras. Para una lectura provechosa de este material, se
requiere tener cierta familiaridad con algunos conceptos del álgebra y del
cálculo diferencial e integral.
Agradezco sinceramente a los revisores anónimos quienes emitieron dictáme-
nes constructivos acerca de este trabajo. Agradezco también el apoyo finan-
ciero del programa PAPIME a través proyecto PE101113, DGAPA, UNAM,
con el cual fue posible la impresión de este texto y la elaboración del curso
en videos disponible en la página web
http://www.matematicas.unam.mx/lars/0625
Luis Rincón
Agosto 2014
Ciudad Universitaria UNAM
lars@ciencias.unam.mx
Contenido
1. Probabilidad elemental 1
1.1. Experimentos aleatorios . . . . . . . . . . . . . . . . . . . . . 3
1.2. Espacio muestral . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3. Operaciones con conjuntos . . . . . . . . . . . . . . . . . . . . 8
1.4. Probabilidad clásica . . . . . . . . . . . . . . . . . . . . . . . 19
1.5. Probabilidad geométrica . . . . . . . . . . . . . . . . . . . . . 22
1.6. Probabilidad frecuentista . . . . . . . . . . . . . . . . . . . . 29
1.7. Probabilidad subjetiva . . . . . . . . . . . . . . . . . . . . . . 33
1.8. Probabilidad axiomática . . . . . . . . . . . . . . . . . . . . . 34
1.9. Sigmas álgebras . . . . . . . . . . . . . . . . . . . . . . . . . . 45
1.10. Sigma álgebra de Borel . . . . . . . . . . . . . . . . . . . . . . 49
1.11. Espacios de probabilidad . . . . . . . . . . . . . . . . . . . . . 51
1.12. Análisis combinatorio . . . . . . . . . . . . . . . . . . . . . . 54
1.13. Probabilidad condicional . . . . . . . . . . . . . . . . . . . . . 69
1.14. Teorema de probabilidad total . . . . . . . . . . . . . . . . . 75
1.15. Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . 81
1.16. Independencia de eventos . . . . . . . . . . . . . . . . . . . . 86
1.17. Continuidad de las medidas de probabilidad . . . . . . . . . . 95
2. Variables aleatorias 103
2.1. Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . 103
2.2. Función de probabilidad . . . . . . . . . . . . . . . . . . . . . 113
2.3. Función de distribución . . . . . . . . . . . . . . . . . . . . . 123
2.4. Teorema de cambio de variable . . . . . . . . . . . . . . . . . 137
2.5. Independencia de variables aleatorias . . . . . . . . . . . . . . 141
2.6. Esperanza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
iii
iv Contenido
2.7. Varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
2.8. Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
2.9. Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
2.10. Función generadora de probabilidad . . . . . . . . . . . . . . 173
2.11. Función generadora de momentos . . . . . . . . . . . . . . . . 178
3. Distribuciones de probabilidad 185
3.1. Distribución uniforme discreta . . . . . . . . . . . . . . . . . 185
3.2. Distribución Bernoulli . . . . . . . . . . . . . . . . . . . . . . 190
3.3. Distribución binomial . . . . . . . . . . . . . . . . . . . . . . 195
3.4. Distribución geométrica . . . . . . . . . . . . . . . . . . . . . 202
3.5. Distribución binomial negativa . . . . . . . . . . . . . . . . . 208
3.6. Distribución hipergeométrica . . . . . . . . . . . . . . . . . . 213
3.7. Distribución Poisson . . . . . . . . . . . . . . . . . . . . . . . 217
3.8. Distribución uniforme continua . . . . . . . . . . . . . . . . . 225
3.9. Distribución exponencial . . . . . . . . . . . . . . . . . . . . . 230
3.10. Distribución gama . . . . . . . . . . . . . . . . . . . . . . . . 235
3.11. Distribución beta . . . . . . . . . . . . . . . . . . . . . . . . . 240
3.12. Distribución Weibull . . . . . . . . . . . . . . . . . . . . . . . 243
3.13. Distribución normal . . . . . . . . . . . . . . . . . . . . . . . 246
3.14. Distribución ji-cuadrada . . . . . . . . . . . . . . . . . . . . . 255
3.15. Distribución t . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
3.16. Distribución F . . . . . . . . . . . . . . . . . . . . . . . . . . 263
4. Vectores aleatorios 267
4.1. Vectores aleatorios . . . . . . . . . . . . . . . . . . . . . . . . 267
4.2. Función de probabilidad conjunta . . . . . . . . . . . . . . . . 269
4.3. Función de distribución conjunta . . . . . . . . . . . . . . . . 280
4.4. Función de probabilidad marginal . . . . . . . . . . . . . . . . 286
4.5. Función de distribución marginal . . . . . . . . . . . . . . . . 290
4.6. Independencia de variables aleatorias . . . . . . . . . . . . . . 292
4.7. Distribución condicional . . . . . . . . . . . . . . . . . . . . . 297
4.8. Esperanza condicional . . . . . . . . . . . . . . . . . . . . . . 301
4.9. Covarianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
4.10. Coeficiente de correlación . . . . . . . . . . . . . . . . . . . . 307
5. Teoremas ĺımite 311
Contenido v
5.1. Desigualdad de Chebyshev . . . . . . . . . . . . . . . . . . . . 311
5.2. Convergencia de variables aleatorias . . . . . . . . . . . . . . 315
5.3. La ley de los grandes números . . . . . . . . . . . . . . . . . . 319
5.4. El teorema central del ĺımite . . . . . . . . . . . . . . . . . . 326
A. Apéndice 341
A.1. Notación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 341
A.2. El alfabeto griego . . . . . . . . . . . . . . . . . . . . . . . . . 342
A.3. Exponentes y logaritmos . . . . . . . . . . . . . . . . . . . . . 342
A.4. Fórmulas para sumas . . . . . . . . . . . . . . . . . . . . . . . 343
A.5. Fórmulas de derivación e integración . . . . . . . . . . . . . . 344
A.6. El lema de Abel . . . . . . . . . . . . . . . . . . . . . . . . . . 346
A.7. Fórmula de Stirling . . . . . . . . . . . . . . . . . . . . . . . . 346
A.8. Notación o-pequeña . . . . . . . . . . . . . . . . . . . . . . . 346
A.9. Tabla de la distribución normal estándar . . . . . . . . . . . . 348
A.10.Tabla de la distribución tpnq . . . . . . . . . . . . . . . . . . . 349
A.11.Tabla de la distribución χ2pnq . . . . . . . . . . . . . . . . . . 350
Índice anaĺıtico 353
vi Contenido
Caṕıtulo 1
Probabilidad elemental
En esta primera parte estudiaremos algunos de los conceptos más elemen-
tales de la teoŕıa de la probabilidad. Esta teoŕıa matemática tuvo como uno
de sus primeros puntos de partida el intentar resolver un problema parti-
cular concerniente a una apuesta de juego de dados entre dos personas. El
problema al que nos referimos involucraba una gran cantidad de dinero y
puede plantearse de la siguiente forma:
Dos jugadores escogen cada uno de ellos un número del 1 al 6,
distinto uno del otro, y apuestan 32 doblones de oro a que el
número escogido por uno de ellos aparece en tres ocasiones an-
tes que el número del contrario al lanzar sucesivamente un dado.
Suponga que el número de uno de los jugadores ha aparecido dos
veces y el número del otro una sola vez. Bajo estas circunstan-
cias, ¿cómo debe dividirse el total de la apuesta si el juego se
suspende?
Uno de los apostadores, Antonio de Gombaud, popularmente conocido co-mo el caballero De Méré, deseando conocer la respuesta al problema plantea
la situación a Blaise Pascal (1623-1662). Pascal a su vez consulta con Pierre
de Fermat (1601-1665) e inician estos últimos un intercambio de cartas a
propósito del problema. Esto sucede en el año de 1654. Con ello se inician
algunos esfuerzos por dar solución a éste y otros problemas similares que
se plantean. Con el paso del tiempo se sientan las bases y las experien-
cias necesarias para la búsqueda de una teoŕıa matemática que sintetice los
1
2 1. Probabilidad elemental
conceptos y los métodos de solución de los muchos problemas particulares
resueltos a lo largo de varios años. En el segundo congreso internacional de
matemáticas, celebrado en la ciudad de Paris en el año 1900, el matemático
David Hilbert (1862-1943) planteó 23 problemas matemáticos de importan-
cia de aquella época. Uno de estos problemas era el de encontrar axiomas o
postulados a partir de los cuales se pudiera construir una teoŕıa matemática
de la probabilidad. Aproximadamente treinta años después, en 1933, el ma-
temático ruso A. N. Kolmogorov (1903-1987) propone ciertos axiomas que
a la postre resultaron adecuados para la construcción de una teoŕıa de la
probabilidad. Esta teoŕıa prevalece hoy en d́ıa y ha adquirido el calificativo
de teoŕıa clásica.
Blaise Pascal
(Francia 1623–1662)
Pierre de Fermat
(Francia 1601–1665)
Actualmente la teoŕıa de la probabilidad se ha desarrollado y extendido
enormemente gracias a muchos pensadores que han contribuido a su creci-
miento, y es sin duda una parte importante y bien establecida de las ma-
temáticas. La teoŕıa de la probabilidad ha resultado muy útil para modelar
matemáticamente fenómenos de muy diversas disciplinas del conocimiento
humano en donde es necesario incorporar la incertidumbre o el azar como
un elemento del modelo. Aśı, la probabilidad puede definirse como aque-
lla parte de las matemáticas que se encarga del estudio de los fenómenos
aleatorios.
1.1. Experimentos aleatorios 3
1.1. Experimentos aleatorios
Existen dos tipos de fenómenos o experimentos en la naturaleza: los determi-
nistas y los aleatorios. Un experimento determinista es aquel que produce
el mismo resultado cuando se le repite bajo las mismas condiciones, por
ejemplo, medir el volumen de un gas cuando la presión y la temperatura
son constantes produce teóricamente siempre el mismo resultado, o medir
el ángulo de un rayo de luz reflejado en un espejo resulta siempre en el
mismo resultado cuando el ángulo de incidencia es el mismo y el resto de
las condiciones son constantes. Muchas otras leyes de la f́ısica son ejemplos
de situaciones en donde bajo idénticas condiciones iniciales, el resultado del
experimento es siempre el mismo. En contraparte, un experimento aleatorio
es aquel que cuando se le repite bajo las mismas condiciones, el resultado
que se observa no siempre es el mismo y tampoco es predecible. El lanzar
una moneda al aire y observar la cara de la moneda que mira hacia arriba, o
registrar el número ganador en un juego de loteŕıa, son ejemplos cotidianos
de experimentos aleatorios.
Nuestro interés consiste en estudiar algunos modelos matemáticos, con-
ceptos y resultados, que nos ayuden a tener un mejor entendimiento y
control de los muy diversos fenómenos aleatorios que afectan la vida del
hombre.
Para ser más precisos, pediremos que los experimentos aleatorios que consi-
deremos cumplan teóricamente las caracteŕısticas siguientes y con ello res-
tringimos sensiblemente el campo de aplicación:
a) El experimento debe poder ser repetible bajo las mismas condiciones
iniciales.
b) El resultado de cualquier ensayo del experimento es variable y depende
del azar o de algún mecanismo aleatorio.
Es necesario mencionar, sin embargo, que en algunas ocasiones no es evi-
dente poder clasificar un experimento dado en aleatorio o determinista, esto
dependerá del observador, de lo que él o ella conozca del experimento y de
lo que esta persona desea observar en el experimento. Aśı, el experimento
4 1. Probabilidad elemental
mismo no está separado completamente del observador, pues la concepción,
entendimiento y realización del experimento aleatorio dependen en alguna
medida y en alguna forma del observador mismo. En la siguiente sección de
ejercicios se muestran algunos casos particulares. Por otro lado, debe obser-
varse que convenientemente hemos dejado sin definir el término azar. Este
es un concepto dif́ıcil de capturar formalmente en una definición, al usar
este término únicamente haremos referencia a la vaga noción intuitiva que
cada uno de nosotros posee acerca del azar según nuestra propia experiencia
cotidiana.
Ejercicios
1. Clasifique los siguientes experimentos en deterministas o aleatorios, si
es necesario añada hipótesis o condicionea adicionales para justificar
su respuesta:
a) Registrar el número de accidentes que ocurren en una determi-
nada calle de una ciudad.
b) Observar la temperatura a la que hierve el agua a una altitud
dada.
c) Registrar el consumo de electricidad de una casa-habitación en
un d́ıa determinado.
d) Registrar la hora a la que desaparece el sol en el horizonte en un
d́ıa dado visto desde una posición geográfica determinada.
e) Observar el precio que tendrá el petróleo dentro de un año.
f ) Registrar la altura máxima que alcanza un proyectil lanzado ver-
ticalmente.
g) Observar el número de años que vivirá un bebé que nace en este
momento.
h) Observar el ángulo de reflexión de un haz de luz incidente en un
espejo.
i) Registrar la precipitación pluvial anual en una zona geográfica
determinada.
1.2. Espacio muestral 5
j ) Observar el tiempo que tarda un objeto en caer al suelo cuando
se le deja caer desde una altura dada.
k) Registrar el ganador de una elección en un proceso de votación
libre y secreto.
l) Observar la posición de una molécula de ox́ıgeno en una habita-
ción después de dejarla en libre movimiento durante un minuto.
2. ¿Qué es el azar? Intente escribir una definición formal que se apegue
lo más posible a su propio entendimiento de este concepto.
1.2. Espacio muestral
Hemos mencionado que la teoŕıa de la probabilidad es la parte de las ma-
temáticas que se encarga del estudio de los fenómenos o experimentos alea-
torios. En principio no sabemos cuál será el resultado de un experimento
aleatorio, aśı que por lo menos conviene agrupar en un conjunto a todos los
resultados posibles. Esto lleva a la siguiente definición.
Definición 1.1 El espacio muestral, o también llamado espacio mues-
tra, de un experimento aleatorio es el conjunto de todos los posibles
resultados del experimento, y se le denota generalmente por la letra
griega Ω (omega mayúscula). A un resultado particular se le denota por
la letra ω (omega minúscula).
Más adelante mostraremos que el espacio muestral no es necesariamente
único y su determinación depende de lo que desea observar o estudiar la
persona que realiza el experimento aleatorio. En algunos textos se usa tam-
bién la letra S para denotar al espacio muestral. Esta letra proviene del
término sampling space de la lengua inglesa, equivalente a espacio muestral.
Por otro lado y de manera preliminar llamaremos evento o suceso a cual-
quier subconjunto del espacio muestral y los denotaremos por las primeras
letras del alfabeto en mayúsculas: A,B,C, . . . o bien por alguna otra letra en
6 1. Probabilidad elemental
mayúscula que nos ayude a identificar de mejor manera al evento. A través
de algunos ejemplos ilustraremos a continuación los conceptos de espacio
muestral y evento.
Ejemplo 1.1 Si un experimento aleatorio consiste en lanzar un dado y
observar el número que aparece en la cara superior, entonces claramente
el espacio muestral es el conjunto Ω “ t1, 2, 3, 4, 5, 6u. Como ejemplo de
un evento para este experimento podemos definir el conjunto A “ t2, 4, 6u,
que corresponde al suceso de obtener como resultadoun número par. Si al
lanzar el dado una vez se obtiene el número “4”, decimos entonces que se
observó la ocurrencia del evento A, y si se obtiene por ejemplo el resultado
“1”, decimos que no se observó la ocurrencia del evento A. ‚
Ejemplo 1.2 Considere el experimento aleatorio de participar en un jue-
go de loteŕıa. Suponga que hay un millón de números en esta loteŕıa y un
jugador participa con un boleto. ¿Cuál es un posible espacio muestral para
este experimento si únicamente uno de los posibles números es el ganador?
Naturalmente al jugador le interesa conocer su suerte en este juego y puede
proponer como espacio muestral el conjunto Ω “ t“ganar”, “perder” u. Sin
embargo puede también tomarse como espacio muestral el conjunto que con-
tiene a todos los posibles números ganadores, es decir, Ω “ t1, 2, . . . , 106u.
Este ejemplo sencillo muestra que el espacio muestral de un experimento
aleatorio no es único y depende del interés del observador. ‚
Ejemplo 1.3 Suponga que un experimento aleatorio consiste en observar
el tiempo en el que una máquina en operación sufre su primera descom-
postura. Si se consideran mediciones continuas del tiempo, entonces puede
adoptarse como espacio muestral para este experimento el intervalo r0,8q.
El subconjunto A “ r1, 2s corresponde al evento en el que la primera des-
compostura se observe entre la primera y la segunda unidad de tiempo. Si
se consideran mediciones discretas del tiempo, ¿cuál podŕıa ser un posible
espacio muestral para este experimento? ‚
Se dice que un evento es simple cuando consta de un solo elemento del es-
pacio muestral, en cambio, se llama compuesto cuando consta de mas de un
1.2. Espacio muestral 7
elemento del espacio muestral. Puesto que los conceptos de espacio muestral
y evento involucran forzosamente el manejo de conjuntos, recordaremos en
la siguiente sección algunas operaciones entre estos objetos y ciertas pro-
piedades que nos serán de suma utilidad. Nuestro objetivo es calcular la
probabilidad de ocurrencia de los diversos eventos en un experimento alea-
torio.
Ejercicios
3. Determine un espacio muestral para el experimento aleatorio consis-
tente en:
a) Observar la posición de un part́ıcula en un instante dado, la cual
se mueve sin restricciones en un espacio tridimensional.
b) Registrar el número de personas que requieren hospitalización en
el siguiente accidente automoviĺıstico atendido por los servicios
de emergencia en una localidad dada.
c) Lanzar un dado hasta que se obtiene un “6”.
d) Registrar la fecha de cumpleaños de n personas escogidas al azar.
e) Observar la forma en la que r personas que abordan un elevador
en la planta baja de un edificio descienden en los pisos 1, 2, . . . , n.
f ) Registrar la duración de una llamada telefónica escogida al azar.
g) Observar el número de años que le restan de vida a una perso-
na escogida al azar dentro del conjunto de asegurados de una
compañ́ıa aseguradora.
4. Proponga un espacio muestral para el experimento aleatorio de lanzar
tres monedas a un mismo tiempo suponiendo que las monedas:
a) Son distinguibles.
b) No son distinguibles.
5. Considere el experimento aleatorio de lanzar dos dados distinguibles.
Escriba expĺıcitamente los resultados asociados a los siguientes eventos
y determine su cardinalidad.
8 1. Probabilidad elemental
a) A ““La suma de los dos re-
sultados es 7.”
b) B ““Uno de los dos dados
cae en número impar y el
otro en número par.”
c) C ““El resultado de un dado
difiere del otro en a lo sumo
una unidad.”
d) D ““El resultado de un da-
do difiere del otro en por lo
menos cuatro unidades.”
e) E “ A X B.
f ) F “ Bc.
g) G “ C Y D.
1.3. Operaciones con conjuntos
Nos interesa poder identificar a todos los posibles eventos en un experimen-
to aleatorio, pues deseamos calcular la probabilidad de ocurrencia de cada
uno de ellos. Recordemos que pueden obtenerse nuevos conjuntos a partir
de una colección inicial de eventos y algunas operaciones sobre ellos, como
las que definiremos más adelante. Consideraremos que estos nuevos conjun-
tos son también eventos y deseamos poder calcular su probabilidad. Por lo
tanto, nos será útil revisar brevemente algunas operaciones entre conjuntos.
Veamos primero algunos conceptos y notación elementales.
Supondremos que el espacio muestral Ω de un experimento aleatorio es una
especie de conjunto universal y, como hemos mencionado antes, cualquier
elemento de Ω lo denotaremos por la letra ω (omega minúscula). Al con-
junto vaćıo lo denotaremos como es usual por el śımbolo H. Otros śımbolos
usuales son los de pertenencia (P), o no pertenencia (R) de un elemento en
un conjunto, y los de contención (Ă,Ď), o no contención (Ć) de un conjun-
to en otro. ¿Puede usted explicar el significado del śımbolo Ł? Justamente,
decimos que A es un subconjunto propio de B si A Ł B. La igualdad de dos
conjuntos A y B significa que se cumplen las dos contenciones: A Ă B y
B Ă A. Por último, si A es un conjunto, denotamos la cardinalidad o núme-
ro de elementos de ese conjunto por el śımbolo #A. Ahora procederemos a
definir algunas operaciones entre conjuntos.
1.3. Operaciones con conjuntos 9
Sean A y B dos subconjuntos cualesquiera de Ω. Recordamos a continuación
las operaciones básicas de unión, intersección, diferencia y complemento:
A Y B “ tω P Ω : ω P A ó ω P Bu,
A X B “ tω P Ω : ω P A y ω P Bu,
A ´ B “ tω P Ω : ω P A y ω R Bu,
Ac “ tω P Ω : ω R Au.
Cuando los conjuntos se expresan en palabras, la operación unión, A Y B,
se lee “A ó B” y la intersección, A X B, se lee “A y B”. En la Figura 1.1 se
muestran en diagramas de Venn estas dos operaciones.
Ω
A B
A Y B
Ω
A B
A X B
Figura 1.1
La diferencia entre dos conjuntos A y B se denota por A´B, y corresponde
a aquel conjunto de elementos de A que no pertenecen a B, es decir, A´B
se define como AXBc. En general, el conjunto A´B es distinto de B ´A,
de hecho estos conjuntos son siempre ajenos, ¿puede usted comprobar tal
afirmación? ¿en qué caso ambos conjuntos coinciden? Por otro lado el com-
plemento de un conjunto A se denota por Ac y se define como la colección de
aquellos elementos de Ω que no pertenecen a A. Mediante un diagrama de
Venn ilustramos gráficamente las operaciones de diferencia y complemento
en la Figura 1.2.
Ejemplo 1.4 Sea A el conjunto de aquellas personas que tienen hijos y B
la colección de aquellas personas que están casadas. Entonces el conjunto
AXB consta de aquellas personas que están casadas y tienen hijos, mientras
que el conjunto A X Bc está constituido por aquellas personas que tienen
10 1. Probabilidad elemental
Ω
A B
A ´ B
Ω
A
Ac
Figura 1.2
hijos pero no están casadas. ¿Quién es Ac X B? Observe que cada persona
es un elemento de alguno de los siguientes conjuntos: AXB, AXBc, Ac XB
ó Ac X Bc. ¿A cuál de ellos pertenece usted? ‚
Es fácil verificar que el conjunto vaćıo y el conjunto total satisfacen las
siguientes propiedades elementales: para cualquier evento A,
A Y H “ A.
A X Ω “ A.
A X H “ H.
A Y Ac “ Ω.
A Y Ω “ Ω.
A X Ac “ H.
Además, las operaciones unión e intersección son asociativas, esto es, satis-
facen las siguientes igualdades:
A Y pB Y Cq “ pA Y Bq Y C,
A X pB X Cq “ pA X Bq X C,
y también son distributivas, es decir,
A X pB Y Cq “ pA X Bq Y pA X Cq,
A Y pB X Cq “ pA Y Bq X pA Y Cq.
Recordemos también la operación diferencia simétrica entre dos conjuntos
A y B, denotada por A△B, y definida como sigue
A△B “ pA Y Bq ´ pB X Aq.
En la Figura 1.3 ilustramos gráficamente el conjunto resultante de efec-
tuar la diferencia simétrica entre los conjuntos A y B. Visualmente es
1.3. Operaciones con conjuntos 11
fácil comprobar que la diferencia simétrica también puede escribirse como
pA´BqYpB´Aq. ¿Cómo podŕıa expresarse en palabras al conjunto A△B?
Ω
A B
A△B
Figura 1.3
Recordemos además las muy útiles leyes de De Morgan:
pA Y Bqc “ Ac X Bc,
pA X Bqc “ Ac Y Bc.
La validez de estas dos igualdades puede extendersea colecciones finitas
e incluso arbitrarias de conjuntos. ¿Puede usted escribir estas identidades
para n conjuntos?
Conjuntos ajenos
Cuando dos conjuntos no tienen ningún elemento en común se dice que son
ajenos, es decir, los conjuntos A y B son ajenos o disjuntos si se cumple la
igualdad
A X B “ H.
Por ejemplo, si Ω “ t1, 2, 3, 4, 5, 6u, entonces los conjuntos A “ t1, 2u y
B “ t3, 4u son ajenos pues no hay ningún elemento común entre ellos. El
ejemplo general más importante de conjuntos o eventos ajenos es la pareja
dada por A y Ac, para cualquier conjunto A. La propiedad de ser ajenos
puede extenderse al caso cuando se tienen varios conjuntos: decimos que n
conjuntos A1, . . . , An son ajenos si A1 X ¨ ¨ ¨ X An “ H, y se dice que son
ajenos dos a dos (o mutuamente ajenos) si Ai X Aj “ H para cualesquiera
valores de los ı́ndices i, j “ 1, 2, . . . , n, con i distinto de j. La propiedad de ser
ajenos dos a dos para una colección de eventos implica que los conjuntos son
12 1. Probabilidad elemental
ajenos, sin embargo, el hecho de que todos ellos sean ajenos no implica que
sean ajenos dos a dos. Es decir, la propiedad de ser ajenos dos a dos es más
fuerte que la propiedad de ser simplemente ajenos y es la que usualmente
supondremos en la mayoŕıa de los casos. Ilustraremos la situación con el
siguiente ejemplo.
Ejemplo 1.5 Los conjuntos A “ t1, 2u, B “ t2, 3u y C “ t3, 4u son ajenos
pues A X B X C “ H, pero no son ajenos dos a dos pues, por ejemplo, el
conjunto A X B no es vaćıo. Aśı, los conjuntos A, B y C son ajenos en el
sentido de que la intersección de todos ellos es vaćıa pero no son ajenos dos
a dos. ‚
Las operaciones entre conjuntos que mencionaremos a continuación no son
elementales y producen nuevos conjuntos que se encuentran en un nivel
distinto al de los conjuntos originales.
Conjunto potencia
El conjunto potencia de Ω, denotado por 2Ω, es aquel conjunto constituido
por todos los subconjuntos posibles de Ω. En términos estrictos esta nueva
colección deja de ser un conjunto y se le llama clase de subconjuntos de
Ω, aunque seguiremos usando el primer término en nuestro tratamiento
elemental de conjuntos. Por ejemplo, si Ω “ ta, b, cu, entonces el conjunto
2Ω consta de 8 elementos, a saber,
2Ω “
!
H, tau, tbu, tcu, ta, bu, ta, cu, tb, cu,Ω
)
.
Observe que los elementos del conjunto potencia son en śı mismos conjuntos,
y que en esta colección están contenidos todos los eventos que podŕıan ser
de interés en un experimento aleatorio. No es dif́ıcil demostrar que cuando
#Ω ă 8,
#p2Ωq “ 2#Ω,
es decir, el número de elementos en el conjunto 2Ω es exactamente 2 elevado
a la potencia dada por la cardinalidad de Ω. De este hecho proviene la
notación usada para el conjunto potencia: 2Ω. Observe que la expresión 2Ω
no tiene el significado matemático del número 2 elevado a la potencia Ω pues
ello no tiene sentido. Debe considerarse, por lo tanto, como un śımbolo para
1.3. Operaciones con conjuntos 13
denotar al conjunto potencia y que ayuda a recordar el número de elementos
en dicha clase. Para el ejemplo anterior se comprueba que la cardinalidad
de 2Ω es efectivamente 2#Ω “ 23 “ 8.
Producto cartesiano
El producto cartesiano de dos conjuntos A y B, denotado por A ˆ B, se
define como la colección de todas las parejas ordenadas pa, bq, en donde a
es cualquier elemento de A, y b es cualquier elemento de B. En śımbolos,
A ˆ B “ tpa, bq : a P A y b P Bu.
Ejemplo 1.6 Si A “ ta1, a2u y B “ tb1, b2, b3u, entonces
A ˆ B “ tpa1, b1q, pa1, b2q, pa1, b3q, pa2, b1q, pa2, b2q, pa2, b3qu.
Este conjunto puede representarse gráficamente mediante un diagrama de
árbol como el que se ilustra en la Figura 1.4 . ‚
b
a1
a2
b1
b2
b3
b1
b2
b3
pa1, b1q
pa1, b2q
pa1, b3q
pa2, b1q
pa2, b2q
pa2, b3q
Figura 1.4
Ejemplo 1.7 Si un hombre tiene 6 camisas y 7 pantalones, ¿de cuántas
maneras diferentes puede vestirse con estas prendas?
Respuesta: 6 ˆ 7 “ 42. ‚
14 1. Probabilidad elemental
En general los conjuntos producto A ˆ B y B ˆ A son distintos pues la
pareja pa, bq es distinta de pb, aq, sin embargo ambos conjuntos tienen la
misma cardinalidad, esto es, ambos tienen el mismo número de elementos.
Si la cardinalidad de A es el número n, y la cardinalidad de B es m, entonces
la cardinalidad del conjunto A ˆ B es el producto n ¨ m. Este resultado es
llamado principio de multiplicación y se aplica con mucha frecuencia en los
procesos de conteo.
Un poco más generalmente, si A1, A2, . . . , Ak son conjuntos tales que #Ai “
ni ě 1 para i “ 1, . . . , k, entonces el producto cartesiano A1 ˆA2 ˆ ¨ ¨ ¨ ˆAk
que consta de todos los vectores de la forma pa1, a2, . . . , akq con ai P Ai
tiene un total de n1 ¨ n2 ¨ ¨ ¨nk elementos, es decir,
#pA1 ˆ ¨ ¨ ¨ ˆ Akq “ n1 ¨ n2 ¨ ¨ ¨nk.
Ejemplo 1.8 Si una mujer tiene 3 sombreros, 6 blusas, 8 faldas y 10 pares
de zapatos, ¿de cuántas formas diferentes puede vestirse usando una prenda
de cada tipo?
Respuesta: 3 ˆ 6 ˆ 8 ˆ 10 “ 1440. ‚
Ejemplo 1.9 El producto cartesiano R ˆ R, que es el conjunto de todas
las parejas de números reales px, yq, se le denota usualmente por R2. Análo-
gamente se definen los conjuntos R3, R4, . . ., Rn. ‚
Concluimos aqúı nuestra rápida y breve revisión de la teoŕıa elemental de
conjuntos. Recordemos que estamos interesados en calcular probabilidades
de los diferentes eventos, es decir, de subconjuntos del espacio muestral
que se obtienen de los diversos experimentos aleatorios. En las siguientes
secciones estudiaremos algunas formas de definir matemáticamente la pro-
babilidad de un evento.
Ejercicios
6. Use las propiedades básicas de las operaciones entre conjuntos para de-
mostrar rigurosamente las siguientes igualdades. En cada caso dibuje
un diagrama de Venn para ilustrar cada identidad.
1.3. Operaciones con conjuntos 15
a) A “ pA X Bq Y pA X Bcq.
b) Ac ´ Bc “ B ´ A.
c) A X Bc “ A ´ pA X Bq.
d) A Y B “ A Y pB X Acq.
e) pA ´ Bq ´ C “ A ´ pB ´ Cq.
f ) A ´ pB X Cq “ pA ´ Bq Y pA ´ Cq.
7. Demuestre o proporcione un contraejemplo para las siguientes propo-
siciones. En cada caso dibuje un diagrama de Venn para ilustrar cada
situación.
a) A X B Ď A Ď A Y B.
b) Si A X B “ H entonces A Ď Bc.
c) Si A Ď B entonces Bc Ď Ac.
d) Si A X B “ H entonces A Y Bc “ Bc.
e) Si A Ď B entonces A Y pB ´ Aq “ B.
f ) pAc X Bq Y pA X Bcq “ pA X Bqc.
8. Diferencia simétrica. La diferencia simétrica entre los conjuntos A y
B se puede también definir como sigue:
A△B :“ pA ´ Bq Y pB ´ Aq.
Demuestre o proporcione un contraejemplo para las siguientes identi-
dades:
a) A△B “ pA Y Bq ´ pA X Bq.
b) A△B “ B△A.
c) A△H “ A.
d) A△Ω “ Ac.
e) A△A “ H.
f ) A△Ac “ Ω.
g) A△B “ Ac△Bc.
h) pA△Bqc “ Ac△Bc.
16 1. Probabilidad elemental
i) pA△Bq△C “ A△pB△Cq.
j ) A X pB△Cq “ pA X Bq△pA X Cq.
k) A Y pB△Cq “ pA Y Bq△pA Y Cq.
9. Sean A, B y C tres eventos de un experimento aleatorio. Exprese las
siguientes oraciones en términos de los conjuntos A, B y C:
a) Ocurre A o B pero no C.
b) Ninguno de estos tres eventos ocurre.
c) Sólo uno de ellos ocurre.
d) Exactamente dos de ellos ocurren.
e) Por lo menos uno de ellos ocurre.
f ) A lo sumo dos de ellos ocurren.
10. En una población humana en donde el número de mujeres duplica el
número de hombres el 42% de los hombres son mayores de 50 años y
el 38% de las mujeres son mayores de 50 años. ¿Qué porcentaje total
de la población es mayor a 50 años?
11. Función indicadora. La función indicadora de un evento cualquiera
A se denota por 1A : Ω Ñ R y toma el valor uno dentro del evento A
y cero fuera de él. Demuestre que:
a) 1Ωpωq “ 1.
b) 1Hpωq “ 0.
c) 1AYBpωq “ 1Apωq ` 1Bpωq ´ 1AXBpωq.
d) 1Şn
i“1 Ai
pωq “
n
ź
i“1
1Aipωq.
e) Si A1, . . . , An son eventos ajenos dos a dos, entonces
1Ťn
i“1 Ai
pωq “
n
ÿ
i“1
1Aipωq.
12. Señales. Se transmiten cuatro señales consecutivas en un canal de
comunicación. Debido al ruido que se presenta en el canal, cada señal
1.3. Operaciones con conjuntos 17
se recibe bien o con distorsión. Defina el eventoDi como aquél que
indica que la i-ésima señal está distorsionada. Exprese los siguientes
sucesos en términos de los eventos Di:
a) Sólo una señal está distorsionada.
b) Sólo dos señales están distorsionadas.
c) Sólo hay dos señales distorsionadas y son consecutivas.
d) No hay dos señales consecutivas distorsionadas.
e) Por lo menos hay dos señales consecutivas distorsionadas.
13. Considere el experimento aleatorio de escoger al azar dos números x y
y del intervalo unitario p0, 1q. El espacio muestral Ω para este experi-
mento es entonces el producto cartesiano p0, 1q ˆ p0, 1q. Represente en
un plano cartesiano este espacio muestral e identifique los siguientes
eventos:
a) A “ tpx, yq P Ω : x ą 1{2, y ă 1{2u.
b) B “ tpx, yq P Ω : x ă 2y ó y ă 1{2u.
c) C “ tpx, yq P Ω : x2 ` y2 ă 1u ´ tpx, yq P Ω : y ă xu.
d) D “ tpx, yq P Ω : |x ´ y| ă 1{4 ó |1 ´ x ´ y| ă 1{4u.
14. Suponga que un experimento aleatorio consiste en escoger una persona
al azar dentro de una población dada. Defina los eventos:
H “ “La persona escogida es hombre.”
E “ “La persona escogida cuenta con un empleo.”
C “ “La persona escogida es casada.”
Exprese en palabras el tipo de personas, segun las caracteŕısticas an-
teriores, determinadas por los siguientes eventos:
a) H X E.
b) Hc X Ec.
c) H Y E.
d) H ´ E.
e) H X E X C.
f ) pH X Cq ´ E.
g) pH ´ Eq X Cc.
h) Cc ´ Ec.
18 1. Probabilidad elemental
15. Un número entero es seleccionado al azar. Defina los eventos:
A “ “El número escogido es par.”
B “ “El número escogido termina en 5.”
C “ “El número escogido termina en 0.”
Describa con palabras los siguientes eventos:
a) A X C.
b) B Y C.
c) A X B.
d) A ´ B.
16. Circuitos. Considere el diagrama de la Figura 1.5 el cual representa
un circuito eléctrico. Los componentes A, B1, B2, B3 y C pueden
o no pueden funcionar. Denotemos por la misma letra el evento de
que el correspondiente componente funcione y por su complemento el
hecho de que no funcione. Sea F el evento de que el circuito completo
funcione. Escriba F y F c en términos de los eventos A, B1, B2, B3 y
C.
B2B1
B3
CA
Figura 1.5
17. Sean A y B dos subconjuntos de R2 definidos como sigue:
A “ t px, yq : x2 ` y2 ď 1 u,
B “ t px, yq : |x| ` |y| ď 1 u.
Muestre gráficamente los conjuntos:
1.4. Probabilidad clásica 19
a) A.
b) B.
c) A Y B
d) A X B.
e) A ´ B.
f ) B ´ A.
g) Ac X Bc.
h) Ac Y Bc.
i) A△B.
1.4. Probabilidad clásica
La probabilidad de un evento A es un número real en el intervalo r0, 1s que
se denota por P pAq y representa una medida de la frecuencia con la que
se observa la ocurrencia de dicho evento cuando se efectúa el experimento
aleatorio en cuestión. Existen definiciones más espećıficas de la probabilidad,
algunas de las cuales estudiaremos en las siguientes secciones. Empezaremos
estudiando la aśı llamada probabilidad clásica.
Definición 1.2 Sea A un subconjunto de un espacio muestral Ω de
cardinalidad finita. Se define la probabilidad clásica del evento A como
el cociente:
P pAq “ #A
#Ω
,
en donde el śımbolo #A denota la cardinalidad o número de elementos
del conjunto A.
Claramente esta definición es sólo válida para espacios muestrales finitos,
pues forzosamente necesitamos suponer que el número de elementos en Ω
es finito. Además, el espacio Ω debe ser equiprobable, pues para calcular
la probabilidad de un evento A, únicamente necesitamos contar el número
de elementos de A y dividir entre el número de elementos del conjunto
total Ω, sin importar exactamente cuáles elementos particulares sean. Por
lo tanto, esta definición de probabilidad presupone que todos los elementos
de Ω son igualmente probables o tienen el mismo peso. Este es el caso, por
ejemplo, del lanzamiento de un dado equilibrado. Para este experimento el
espacio muestral es el conjunto Ω “ t1, 2, 3, 4, 5, 6u, y si deseamos calcular
20 1. Probabilidad elemental
la probabilidad (clásica) del evento A correspondiente a obtener un número
par, es decir, la probabilidad de A “ t2, 4, 6u, entonces
P pAq “ #t2, 4, 6u
#t1, 2, 3, 4, 5, 6u “
3
6
“ 1
2
.
Es inmediato verificar que esta forma de calcular probabilidades cumple,
entre otras, las siguientes propiedades:
a) P pΩq “ 1.
b) P pAq ě 0, para cualquier evento A.
c) P pA Y Bq “ P pAq ` P pBq, cuando A y B son ajenos.
A esta forma de definir la probabilidad también se le conoce con el nombre
de probabilidad de Laplace, en honor del astrónomo y matemático francés
Pierre-Simon Laplace, quien estableció de una manera sistemática y rigu-
rosa los principios y propiedades de esta forma de calcular probabilidades.
Más adelante retomaremos esta definición de probabilidad cuando revisemos
algunas técnicas de conteo.
Ejercicios
18. Sean A y B dos eventos cualesquiera de un experimento aleatorio con
espacio muestral finito y equiprobable. Demuestre que la definición de
probabilidad clásica satisface las siguientes propiedades:
a) P pHq “ 0.
b) P pΩq “ 1.
c) P pAq ě 0, para cualquier evento A.
d) P pAcq “ 1 ´ P pAq.
e) Si A Ď B entonces P pAq ď P pBq.
f ) P pA Y Bq “ P pAq ` P pBq, cuando A y B son ajenos.
g) P pA Y Bq “ P pAq ` P pBq ´ P pA X Bq.
1.4. Probabilidad clásica 21
19. El juego de una feria consiste en pedirle a un jugador que arroje al
azar 4 monedas equilibradas, una a la vez. Suponga que las monedas
son de una unidad monetaria y están marcadas con “cara” y “cruz”.
Si algún lanzamiento cae “cara”, la moneda es recogida por el jugador
y se le entrega una moneda adicional de la misma denominación como
premio. Por otro lado, el jugador pierde cualquier moneda que caiga
“cruz”. Determine el número posible de monedas que el jugador puede
tener al final del juego y las probabilidades de cada uno de estos
resultados.
20. Un experimento aleatorio consiste en lanzar a un mismo tiempo dos
dados equilibrados e indistinguibles, es decir, idéntico uno del otro.
Determine si a este experimento aleatorio se le puede asignar un es-
pacio muestral finito y equiprobable.
21. Puntos. Suponga que un experimento aleatorio tiene como espacio
muestral el conjunto de pares de números px, yq tales que tanto x
como y toman valores en el conjunto t1, . . . , nu y que se considera que
cualquiera de estos puntos en el plano cartesiano ocurre con idéntica
probabilidad. Calcule la probabilidad de que al efectuar una vez el
experimento aleatorio se obtenga un punto px, yq:
a) en la diagonal, es decir, x “ y.
b) en la orilla, es decir x “ 1, o x “ n, o y “ 1, o y “ n.
c) tal que x ď y.
d) tal que |x ´ y| ď 1.
22. Una moneda equilibrada y marcada con “cara” y “cruz” se lanza 4
veces consecutivas. Calcule la probabilidad de que:
a) las dos caras caigan el mismo número de veces.
b) el número de veces que cae “cara” sea estrictamente mayor al
número de veces que cae “cruz”.
23. Un experimento aleatorio consiste en lanzar una moneda equilibrada
tres veces consecutivas. Escriba expĺıcitamente a todos los elementos
de un espacio muestral para este experimento y encuentre las proba-
bilidades de que cada uno de estos resultados.
22 1. Probabilidad elemental
1.5. Probabilidad geométrica
Esta es una extensión de la definición de probabilidad clásica en donde ahora
la probabilidad de un evento A se calcula ya no a través de su cardinalidad
sino mediante la determinación de su área, volumen o alguna caracteŕıstica
geométrica equivalente según el problema que se trate. Para el caso de áreas
la definición es la siguiente.
Definición 1.3 Si un experimento aleatorio tiene como espacio mues-
tral Ω Ă R2 cuya área está bien definida y es finita, entonces se define
la probabilidad geométrica de un evento A Ď Ω como
P pAq “ Área de A
Área de Ω
,
cuando el concepto de área del subconjunto A está bien definido.
Para poder aplicar la fórmula anterior es necesario suponer que el espacio
muestral es equiprobable en el sentido de que la probabilidad de observar
la ocurrencia de un evento A depende únicamente de su área y no del con-
junto mismo. Estadefinición puede enunciarse también para el caso cuando
Ω es un subconjunto de R y en tal caso no se habla de área sino de longi-
tud. O bien cuando Ω Ă R3 y en ese caso se habla de volumen, etcétera.
Ilustraremos la situación mediante algunos ejemplos.
Ejemplo 1.10 (El problema del juego de una feria) El juego de una feria
consiste en lanzar monedas de radio r sobre un tablero cuadriculado como
el que se muestra en la Figura 1.6, en donde el lado de cada cuadrado mide
a unidades. Un jugador se hace acreedor a un premio si la moneda lanzada
no toca ninguna de las ĺıneas. ¿De qué tamaño deben ser a y r para que la
probabilidad de ganar en este juego sea menor a 1{4?
Solución. Primero debemos observar que es suficiente considerar lo que
1.5. Probabilidad geométrica 23
r
a
a
Figura 1.6
sucede únicamente en el cuadrado donde cae el centro de la moneda. No es
dif́ıcil darse cuenta que la moneda no toca ninguna ĺınea si su centro cae
dentro del cuadrado interior que se muestra en la Figura 1.7.
a
a
r
r
r r
Figura 1.7
Por lo tanto, si A denota el evento de ganar con un lanzamiento en este
juego, entonces la probabilidad de A es el cociente entre el área favorable y
el área total, es decir,
P pAq “ pa ´ 2rq
2
a2
“ p1 ´ 2r
a
q2.
Si deseamos que esta probabilidad sea menor a 1{4, entonces de aqúı puede
uno encontrar que a y r deben cumplir la relación a ă 4r. Cuando a “ 4r
la probabilidad de ganar es exactamente 1{4. ‚
24 1. Probabilidad elemental
Ejemplo 1.11 (El problema de los dos amigos) Dos amigos deciden
encontrarse en cierto lugar pero olvidan la hora exacta de la cita, única-
mente recuerdan que la hora era entre las 12:00 y las 13:00 horas. Cada uno
de ellos decide llegar al azar en ese lapso y esperar sólamente 10 minutos.
¿Cuál es la probabilidad de que los amigos se encuentren?
Solución. Sean x y y el tiempo medido en minutos en los que llegan los
dos amigos. El espacio muestral del experimento que consta de observar
la hora de llegada de los dos amigos consiste de las parejas px, yq tal que
cada entrada de este vector es un instante entre las 12:00 y las 13:00 horas.
Gráficamente el espacio muestral se puede representar como el cuadrado
que se muestra en la Figura 1.8.
y
x
13:00
13:00
12:00
Figura 1.8
Los amigos se encuentran si x y y son tales que |x ´ y| ď 10 y esta región
corresponde a la franja que se muestra en la Figura 1.8 y cuya área en
minutos es p60q2 ´ p50q2. Si A denota el evento de interés, entonces tenemos
que
P pAq “ p60q
2 ´ p50q2
p60q2 “
36 ´ 25
36
“ 11
36
.
‚
En la sección de ejercicios el lector encontrará algunos otros problemas de
aplicación de la probabilidad geométrica. Para encontrar la solución a estos
1.5. Probabilidad geométrica 25
problemas y como sugerencia se recomienda al lector primeramente deter-
minar con claridad el experimento aleatorio en cuestión y establecer con
precisión un espacio muestral adecuado a la pregunta que se desea contes-
tar. Observemos finalmente que la probabilidad geométrica también cumple,
entre otras, con las siguientes propiedades que hemos mencionado antes para
la probabilidad clásica:
a) P pΩq “ 1.
b) P pAq ě 0 para cualquier evento A.
c) P pA Y Bq “ P pAq ` P pBq cuando A y B son ajenos.
Ejercicios
24. Suponga que se tiene un experimento aleatorio con espacio muestral
Ω Ď R2 cuya área está bien definida y es finita. Sean A y B dos
eventos de este experimento cuya área está bien definida. Demuestre
que la definición de la probabilidad geométrica satisface las siguientes
propiedades:
a) P pHq “ 0.
b) P pΩq “ 1.
c) P pAq ě 0, para cualquier evento A.
d) P pAcq “ 1 ´ P pAq.
e) Si A Ď B entonces P pAq ď P pBq.
f ) P pA Y Bq “ P pAq ` P pBq, cuando A y B son ajenos.
g) P pA Y Bq “ P pAq ` P pBq ´ P pA X Bq.
25. Se escogen dos números x y y al azar dentro del intervalo unitario
r0, 1s. ¿Cuál es la probabilidad de que la suma de estos números sea
mayor a uno y que al mismo tiempo la suma de sus cuadrados sea
menor a uno?
26 1. Probabilidad elemental
26. Se escogen dos números al azar dentro del intervalo unitario r0, 1s.
¿Cuál es la probabilidad de que el producto de estos números sea
menor a 1{2?
27. Se escogen dos números x y y al azar dentro del intervalo unitario
r0, 1s. ¿Cuál es la probabilidad de que la distancia:
a) de x a y sea menor a 1{2?
b) de x a y sea mayor a 1{4?
c) de x a cero sea a lo sumo la distancia de y a uno?
28. Se escoge un número a al azar dentro del intervalo p´1, 1q. ¿Cuál es
la probabilidad de que la ecuación cuadrática ax2 ` x ` 1 “ 0 tenga
dos ráıces reales?
29. Se escogen dos números b y c al azar dentro del intervalo unitario r0, 1s.
¿Cuál es la probabilidad de que la ecuación cuadrática x2 ` bx` c “ 0
tenga ráıces complejas?
30. El problema de la aguja de Buffón. Considere un conjunto infinito
de ĺıneas horizontales paralelas sobre una superficie plana como se
muestra en la Figura 1.9. La distancia entre una ĺınea y otra es L. Se
deja caer una aguja de longitud ℓ sobre la superficie. Suponga ℓ ď L.
¿Cuál es la probabilidad de que la aguja cruce alguna ĺınea?
L
ℓ
ag
uj
a
Figura 1.9
Como una simplificación suponga el caso ℓ “ L y sea A el evento
que ocurre cuando la aguja toca alguna de las ĺıneas. Si se efectúa
1.5. Probabilidad geométrica 27
este experimento n veces y nA denota el número de ocurrencias del
evento A, entonces el cociente nA{n es cercano a P pAq. Aśı, tenemos
la aproximación
2
π
« nA
n
,
de donde puede obtenerse una aproximación para π, a partir del expe-
rimento simple de lanzar agujas en una superficie de ĺıneas paralelas:
π « 2n
nA
.
Suponga ahora ℓ ě L. Demuestre que la probabilidad de que la aguja
cruce alguna ĺınea es
p “ 1 ´ 2
π
arc senpL
ℓ
q ` 2ℓ
πL
p1 ´ cosparc senpL
ℓ
qqq.
Usando la identidad cosparc senxq “
?
1 ´ x2, ´1 ď x ď 1, la respues-
ta anterior se puede escribir también como sigue:
2ℓ
πL
´ 2
πL
p
a
ℓ2 ´ L2 ` L arc senpL
ℓ
qq ` 1.
31. Se escogen al azar y de manera independiente tres números a, b y c
dentro del intervalo unitario r0, 1s. ¿Cuál es la probabilidad de que la
suma de estos números sea menor a uno?
32. El problema de la varilla de metal. Una varilla de metal de lon-
gitud ℓ se rompe en dos puntos distintos escogidos al azar. ¿Cuál es
la probabilidad de que los tres segmentos aśı obtenidos formen un
triángulo? Véase la Figura 1.10
33. Un pasajero llega en autobús a la estación de trenes. La hora de llegada
del autobús es aleatoria entre las 9:00 y 10:00 hrs. Por otro lado, el tren
que debe tomar el pasajero parte de la estación también al azar entre
las 9:00 y 10:00 hrs. El pasajero podrá subirse al tren si el autobús
llega por lo menos cinco minutos antes de que el tren parta. ¿Cuál es
la probabilidad de que el pasajero aborde el tren?
28 1. Probabilidad elemental
b bˆ ˆ
ℓ
Figura 1.10
34. Considere nuevamente el problema de la feria del Ejemplo 1.10 en la
página 22. Suponga ahora que el jugador gana si la moneda toca a lo
sumo un ĺınea. ¿Cuál es la probabilidad de ganar?
35. Dos personas tienen la misma probabilidad de llegar al lugar de su cita
en cualquier instante dentro del intervalo de tiempo r0, T s y llegan de
manera independiente una de otra. Encuentre la probabilidad de que
el tiempo que una persona tenga que esperar a la otra sea a lo sumo
t ą 0.
36. Suponga que se escoge un punto al azar dentro de un segmento de
recta de longitud L de tal forma que la probabilidad de que el punto
caiga en un subsegmento es la misma de que caiga en cualquier otro
subsegmento de la misma longitud. Calcule la probabilidad de que la
distancia del punto al centro del segmento sea menor a ℓ.
37. Suponga que se escogen al azar y de manera independiente dos pun-
tos dentro de un segmento de recta de longitud L de tal forma que
la probabilidad de que cualquiera de los puntos caiga en un subseg-
mento es la misma de que caiga en cualquier otro subsegmento de la
misma longitud. Calcule la probabilidadde que por lo menos uno de
los puntos caiga en la primera mitad del intervalo.
38. Se escogen dos números al azar de manera independiente uno del otro
dentro del intervalo r0, Ls. Encuentre la probabilidad de que el pro-
medio aritmético de estos dos números se encuentre dentro del subin-
tervalo ra, bs Ď r0, Ls.
39. Se escogen al azar y de manera independiente tres números reales
dentro del intervalo r0, Ls. Calcule la probabilidad de que el promedio
1.6. Probabilidad frecuentista 29
aritmético de estos números sea menor a L{3.
40. Triángulos 1. Se escogen dos números x y y al azar de manera inde-
pendiente uno del otro dentro del intervalo r0, ℓs. Calcule la probabi-
lidad de que las longitudes x, y y ℓ formen un triángulo.
41. Triángulos 2. Se escogen tres números x, y y z al azar de manera
independiente uno del otro dentro del intervalo r0, ℓs. Calcule la pro-
babilidad de que las longitudes x, y y z formen un triángulo.
42. Rectángulos. Suponga que x y y se escogen al azar dentro del inter-
valo unitario r0, 1s y constituyen los lados de un rectángulo. Calcule
la probabilidad de que el rectángulo:
a) tenga área mayor a 1{2.
b) tenga peŕımetro menor a 1.
43. Se escoge un punto px, y, zq al azar dentro del cubo r´1, 1s ˆ r´1, 1s ˆ
r´1, 1s, de manera uniforme, es decir, con la misma probabilidad para
dos regiones con el mismo volumen. Calcule la probabilidad del evento
A “ tpx, y, zq P Ω : |x| ` |y| ` |z| ď 1u.
1.6. Probabilidad frecuentista
Suponga que se realizan n repeticiones de un cierto experimento aleatorio
y que se registra el número de veces que ocurre un determinado evento
A. Esta información puede ser usada de la siguiente forma para definir la
probabilidad de A.
30 1. Probabilidad elemental
Definición 1.4 Sea nA el número de ocurrencias de un evento A en n
realizaciones de un experimento aleatorio. La probabilidad frecuentista
del evento A se define como el ĺımite
P pAq “ ĺım
nÑ8
nA
n
.
En este caso, debemos hacer notar que no es humanamente posible llevar
a cabo una infinidad de veces el experimento aleatorio y tampoco podemos
garantizar, por ahora, la existencia de tal ĺımite. Por lo tanto, mediante la
definición anterior no es posible encontrar de manera exacta la probabilidad
de un evento cualquiera, aunque permite tener una aproximación emṕırica
del valor de P pAq, es decir,
P pAq « nA
n
.
Las limitaciones mencionadas hacen que esta definición de probabilidad no
sea enteramente formal, pero sin duda tiene la ventaja de que su forma de
cálculo hace evidente la interpretación de la probabilidad como una medida
de la frecuencia con la que ocurre un evento. Veamos un ejemplo concre-
to. Consideremos nuevamente el experimento aleatorio de lanzar un dado
equilibrado y registrar la ocurrencia del evento A definido como el conjunto
t2, 4, 6u. Se ha llevado a cabo este experimento y después de lanzar el dado
20 veces se obtuvieron los siguientes resultados:
Núm. Resultado nA{n
1 3 0/1
2 6 1/2
3 2 2/3
4 1 2/4
5 4 3/5
6 6 4/6
7 3 4/7
8 4 5/8
9 2 6/9
10 5 6/10
Núm. Resultado nA{n
11 2 7/11
12 5 7/12
13 1 7/13
14 6 8/14
15 3 8/15
16 1 8/16
17 5 8/17
18 5 8/18
19 2 9/19
20 6 10/20
1.6. Probabilidad frecuentista 31
2 4 6 8 10 12 14 16 18 20
nA{n
n
1{2
b
b
b
b
b
b
b
b b b b b b b b b b b b
b
Figura 1.11
En la gráfica de la Figura 1.11 se muestra el singular comportamiento del
cociente nA{n a lo largo del tiempo, al principio se pueden presentar algunas
oscilaciones pero eventualmente el cociente parece estabilizarse en un cierto
valor. Realizando un mayor número de observaciones del experimento, no
es dif́ıcil verificar que el cociente nA{n se estabiliza en 1{2 cuando el dado
está equilibrado y el número de ensayos n es grande. Se invita al lector
intrigado a efectuar un experimento similar y corroborar esta interesante
regularidad estad́ıstica con éste o cualquier otro experimento aleatorio de
su interés. Más adelante formalizaremos este resultado mediante la aśı lla-
mada ley de los grandes números, que garantiza, en particular, que nA{n
efectivamente converge a la probabilidad del evento A. Esto se verifica en
el Ejemplo 5.1 en la página 321.
Simulación 1.1 Arroje cien veces una moneda y registre los resultados en
una lista. Calcule y grafique los cocientes nA{n cuando el evento A corres-
ponde a obtener alguna de las caras de la moneda. ¿Converge el cociente
nA{n a 1{2? Para agilizar el experimento puede usted dividir los cien lan-
zamientos en varios grupos de personas y después juntar los resultados.
Alternativamente, investique la forma de simular este experimento en una
computadora y calcule nA{n para distintos valores de n. Véase el enunciado
del Ejercicio 45. ‚
32 1. Probabilidad elemental
Para concluir esta pequeña sección mencionaremos que es fácil comprobar
que la probabilidad frecuentista también cumple las siguientes propiedades
que ya hemos mencionado antes tanto para la probabilidad clásica como
para la probabilidad geométrica:
a) P pΩq “ 1.
b) P pAq ě 0, para cualquier evento A.
c) P pA Y Bq “ P pAq ` P pBq, cuando A y B son ajenos.
Ejercicios
44. Sean A y B dos eventos de un experimento aleatorio. Demuestre que
la definición de la probabilidad frecuentista satisface las siguientes
propiedades:
a) P pHq “ 0.
b) P pΩq “ 1.
c) P pAq ě 0, para cualquier evento A.
d) P pAcq “ 1 ´ P pAq.
e) Si A Ď B entonces P pAq ď P pBq.
f ) P pA Y Bq “ P pAq ` P pBq, cuando A y B son ajenos.
g) P pA Y Bq “ P pAq ` P pBq ´ P pA X Bq.
45. Moneda. El lanzamiento de una moneda puede simularse en R usan-
do el comando sample como se muestra en el recuadro de abajo. En
el ejemplo mostrado aparece la instrucción
sample(0:1, 20, replace=TRUE)
que produce 20 selecciones al azar, una selección a la vez, de números
dentro del conjunto o vector t0, 1u, en donde, naturalmente, se permi-
te seleccionar un mismo número varias veces. Los valores 0 y 1 pueden
1.7. Probabilidad subjetiva 33
asociarse, a conveniencia, a las dos caras de la moneda, y las probabi-
lidades de selección son las mismas para cada uno de los números del
conjunto indicado, en este caso es de 1{2 para cada número. Realice
100 simulaciones del lanzamiento de una moneda equilibrada y com-
pruebe experimentalmente que el número de veces que aparece una de
las caras entre el total de lanzamientos se aproxima a 1{2 conforme el
número de lanzamientos crece.
# Simulación de 20 lanzamientos de una moneda equilibrada
> sample(0:1, 20, replace=TRUE)
r1s 0 1 0 1 0 0 1 1 1 0 1 0 0 0 0 1 1 1 0 1
46. Dado. El lanzamiento de un dado puede simularse en R usando el
comando que aparece abajo. Realice 100 simulaciones del lanzamiento
de un dado equilibrado y compruebe experimentalmente que el número
de veces que aparece una de las caras entre el total de lanzamientos
se aproxima a 1{6 conforme el número de lanzamientos crece.
# Simulación de 20 lanzamientos de un dado equilibrado
> sample(1:6, 20, replace=TRUE)
r1s 1 5 3 4 4 6 3 4 3 3 2 4 4 5 3 1 6 5 6 6
1.7. Probabilidad subjetiva
En este caso la probabilidad de un evento depende del observador, es decir,
depende de lo que el observador conoce del fenómeno en estudio. Puede
parecer un tanto informal y poco seria esta definición de la probabilidad
de un evento, sin embargo en muchas situaciones es necesario recurrir a
un experto para tener por lo menos una idea vaga de cómo se comporta
el fenómeno de nuestro interés y saber si la probabilidad de un evento es
alta o baja. Por ejemplo, ¿cuál es la probabilidad de que un cierto equipo
de fútbol gane en su próximo partido? Ciertas circunstancias internas del
equipo, las condiciones del equipo rival o cualquier otra condición externa,
son elementos que sólo algunas personas conocen y que podŕıan darnos
34 1. Probabilidad elemental
una idea más exacta de esta probabilidad. Esta forma subjetiva de asignar
probabilidades a los distintos eventos debe, sin embargo, ser consistente con
un conjunto de condiciones queestudiaremos a continuación.
1.8. Probabilidad axiomática
En la definición axiomática de la probabilidad no se establece la forma
expĺıcita de calcular las probabilidades sino únicamente se proponen las
reglas que el cálculo de probabilidades debe satisfacer. Los siguientes tres
postulados o axiomas fueron establecidos en 1933 por el matemático ruso
Andrey Nikolaevich Kolmogorov.
Axiomas de la probabilidad
1. P pAq ě 0.
2. P pΩq “ 1.
3. P p
8
ď
k“1
Akq “
8
ÿ
k“1
P pAkq cuando A1, A2, . . . son ajenos dos a dos.
Recordemos que un axioma o postulado es una proposición que se acepta
como válida y sobre la cual se funda una teoŕıa, en este caso la teoŕıa de
la probabilidad. En particular, estos postulados han sido tomados directa-
mente del análisis cuidadoso y reflexivo de las definiciones de probabilidad
mencionadas anteriormente. Y no es dif́ıcil verificar que las definiciones an-
teriores de probabilidad satisfacen estos tres axiomas. Por ejemplo, conside-
rando nuevamente la definición de probabilidad frecuentista, se debe realizar
una sucesión de n ensayos de un experimento aleatorio y calcular el cociente
nA{n para un evento A cualquiera. Se observa claramente que el cociente
nA{n es no negativo, esto es el primer axioma. Si A es el evento total Ω,
entonces nΩ “ n y por lo tanto nΩ{n “ 1, esto es el segundo axioma. Fi-
nalmente, si A y B son dos eventos ajenos, se tiene que nAYB “ nA ` nB y
por lo tanto
nAYB
n
“ nA
n
` nB
n
,
1.8. Probabilidad axiomática 35
de donde surge el tercer axioma para una colección numerable de eventos
ajenos dos a dos, suponiendo la existencia de los ĺımites correspondientes. De
manera semejante puede verificarse el cumplimiento de estos axiomas para
las definiciones clásica y geométrica de la probabilidad que hemos estudiado
en las secciones anteriores.
Tenemos a continuación la definición axiomática de la probabilidad.
Definición 1.5 A cualquier función P definida sobre una colección de
eventos que satisfaga los tres axiomas de Kolmogorov se le llama medida
de probabilidad, o simplemente probabilidad.
En esta definición no hemos sido muy precisos en establecer el dominio de
la función P , sólo hemos dicho que tal dominio es una colección de eventos.
En la siguiente sección especificaremos con más detalle a esta colección, por
ahora nos interesa estudiar las propiedades generales que la función P pueda
tener.
Propiedades de la probabilidad
Tomando como base los axiomas de Kolmogorov y usando la teoŕıa elemental
de conjuntos, demostraremos que toda medida de probabilidad cumple con
una serie de propiedades generales e interesantes.
Proposición 1.1 P pHq “ 0.
Demostración. Tomando A1 “ A2 “ ¨ ¨ ¨ “ H en el tercer axioma
tenemos que
P pHq “ P pHq ` P pHq ` ¨ ¨ ¨ .
La única solución de esta ecuación es P pHq “ 0. ‚
36 1. Probabilidad elemental
Proposición 1.2 Sea A1, A2, . . . , An una colección finita de eventos
ajenos dos a dos. Entonces
P p
n
ď
k“1
Akq “
n
ÿ
k“1
P pAkq.
Demostración. Definiendo An`1 “ An`2 “ ¨ ¨ ¨ “ H, se verifica que esta
sucesión infinita sigue siendo ajena dos a dos y por lo tanto, usando el tercer
axioma, tenemos que
P p
n
ď
k“1
Akq “ P p
8
ď
k“1
Akq
“
8
ÿ
k“1
P pAkq
“
n
ÿ
k“1
P pAkq.
‚
De esta manera, el tercer axioma incluye tanto el caso de sucesiones infinitas
de eventos ajenos dos a dos, como el caso de sucesiones finitas. En particular,
cuando sólo tenemos dos eventos A y B con A X B “ H, se cumple la
identidad
P pA Y Bq “ P pAq ` P pBq.
Proposición 1.3 Para cualquier evento A, P pAcq “ 1 ´ P pAq.
Demostración. De la teoŕıa elemental de conjuntos tenemos que Ω “
A Y Ac, en donde A y Ac son eventos ajenos. Aplicando el tercer axioma
1.8. Probabilidad axiomática 37
tenemos que
1 “ P pΩq
“ P pA Y Acq
“ P pAq ` P pAcq.
‚
La proposición recién demostrada establece que los eventos A y Ac tienen
probabilidad complementaria, es decir, la suma de las probabilidades de es-
tos eventos es siempre uno. Esta sencilla propiedad es bastante útil pues
en ocasiones es más fácil calcular la probabilidad del complemento de un
evento que del evento mismo. Más adelante tendremos múltiples ocasiones
para aplicar este resultado.
Las siguientes dos proposiciones suponen la situación A Ď B, la cual se
muestra gráficamente en la Figura 1.12. En particular, el siguiente resultado
establece que la probabilidad es una función monótona no decreciente.
Ω
A B
Figura 1.12
Proposición 1.4 Si A Ď B, entonces P pAq ď P pBq.
Demostración. Primeramente escribimos B “ A Y pB ´ Aq. Como A y
B ´A son eventos ajenos, por el tercer axioma, P pBq “ P pAq `P pB ´Aq.
38 1. Probabilidad elemental
Usando el primer axioma concluimos que P pBq ´ P pAq “ P pB ´ Aq ě 0.
De aqúı obtenemos P pBq ´ P pAq ě 0. ‚
Proposición 1.5 Si A Ď B, entonces P pB ´ Aq “ P pBq ´ P pAq.
Demostración. Como B “ A Y pB ´ Aq, siendo esta unión ajena, por el
tercer axioma tenemos que P pBq “ P pAq ` P pB ´ Aq. ‚
Por ejemplo, suponga que A y B son eventos tales que A Ď B, P pAcq “ 0.9
y P pBcq “ 0.6 . Deseamos calcular P pB ´Aq. En esta situación es válida la
fórmula P pB ´ Aq “ P pBq ´ P pAq, en donde, P pAq “ 0.1 y P pBq “ 0.4 .
Por lo tanto, P pB ´ Aq “ 0.4 ´ 0.1 “ 0.3 . Observe que en este ejemplo
sencillo no se especifica el experimento aleatorio en cuestión ni tampoco se
definen expĺıcitamente a los eventos A y B. El tratamiento es completamente
anaĺıtico y los resultados son válidos para cualesquiera eventos A y B con
las caracteŕısticas señaladas.
Proposición 1.6 Para cualquier evento A, 0 ď P pAq ď 1.
Demostración. Como A Ď Ω, se tiene que P pAq ď P pΩq “ 1. La primera
desigualdad, 0 ď P pAq, es simplemente el primer axioma. ‚
En palabras, la proposición anterior establece que la medida de probabilidad
es una función que toma valores únicamente en el intervalo r0, 1s, y ello ha
sido consecuencia de los axiomas establecidos. El siguiente resultado propor-
ciona una fórmula general para la probabilidad de la unión de cualesquiera
dos eventos, no necesariamente ajenos.
1.8. Probabilidad axiomática 39
Proposición 1.7 Para cualesquiera eventos A y B,
P pA Y Bq “ P pAq ` P pBq ´ P pA X Bq.
Demostración. Primeramente observamos que para cualesquiera eventos
A y B se cumple la igualdad A ´ B “ A ´ pA X Bq, en donde A X B Ď A,
de modo que P pA ´ pA X Bqq “ P pAq ´ P pA X Bq. Entonces escribimos a
A Y B como la unión disjunta de los siguientes tres eventos:
A Y B “ pA ´ Bq Y pA X Bq Y pB ´ Aq
“ pA ´ pA X Bqq Y pA X Bq Y pB ´ pA X Bqq.
Ahora aplicamos la probabilidad. Por el tercer axioma,
P pA Y Bq “ P pA ´ pA X Bqq ` P pA X Bq ` P pB ´ pA X Bqq
“ P pAq ´ P pA X Bq ` P pA X Bq ` P pBq ´ P pA X Bq
“ P pAq ` P pBq ´ P pA X Bq.
‚
En la Figura 1.13 (a) el lector puede comprobar la validez de la fórmula
recién demostrada identificando las tres regiones ajenas de las que consta el
evento AYB. El término P pAq abarca las primeras dos regiones de izquierda
a derecha, P pBq abarca la segunda y tercera región. Observe entonces que la
región central ha sido contada dos veces de modo que el término ´P pAXBq
da cuenta de ello. De esta forma las tres regiones son contadas una sola vez
y el resultado es la probabilidad del evento A Y B.
Ejemplo 1.12 Sean A y B eventos ajenos tales que P pBq “ 0.3 y P pA X
Bcq “ 0.2. Encuentre P pA Y Bq.
Solución. Usaremos la fórmula P pA Y Bq “ P pAq ` P pBq ´ P pA X Bq, en
donde conocemos a P pBq, P pA X Bq es cero pues por hipótesis los eventos
son ajenos, y P pAq “ P pAXBcq “ 0.2 . ¿Por qué? Por lo tanto, P pAYBq “
0.2 ` 0.3 “ 0.5 . ‚
40 1. Probabilidad elemental
Ω
A B
(a) A Y B
Ω
A B
C
(b) A Y B Y C
Figura 1.13
Como hemos señalado, la fórmula anterior para la probabilidad de la unión
de dos eventos es válida para cualesquiera que sean estos eventos, sin em-
bargo, cuando los eventos son ajenos, es decir, cuando AXB “ H, entonces
la fórmula demostrada se reduce al tercer axioma de la probabilidaden su
versión para dos eventos ajenos, es decir, P pA Y Bq “ P pAq ` P pBq. El si-
guiente resultado es una extensión natural de estas fórmulas e involucra tres
eventos arbitrarios. La fórmula que a continuación se demuestra puede tam-
bién verificarse usando el diagrama de Venn que aparece en la Fig 1.13 (b).
Para ello se pueden seguir uno a uno los términos del lado derecho de la
fórmula y comprobar que cada región es contada una sola vez, de modo que
el resultado final es la probabilidad del evento A Y B Y C. La aśı llamada
fórmula de inclusión-exclusión que aparece en el Ejercicio 55 en la página 44
es una generalización de este resultado.
Proposición 1.8 Para cualesquiera eventos A, B y C,
P pA Y B Y Cq “ P pAq ` P pBq ` P pCq
´ P pA X Bq ´ P pA X Cq ´ P pB X Cq
` P pA X B X Cq.
Demostración. Agrupando adecuadamente y usando la fórmula para dos
1.8. Probabilidad axiomática 41
eventos,
P pA Y B Y Cq “ P rpA Y Bq Y Cs
“ P pA Y Bq ` P pCq ´ P ppA Y Bq X Cq
“ P pAq ` P pBq ´ P pA X Bq ` P pCq
´ P ppA X Cq Y pB X Cqq
“ P pAq ` P pBq ` P pCq ´ P pA X Bq ´ P pA X Cq
´ P pB X Cq ` P pA X B X Cq.
‚
Las propiedades anteriores son parte del estudio teórico y general de la pro-
babilidad. En general, supondremos que la forma expĺıcita de calcular estos
números es conocida, o que se puede suponer un cierto modelo para llevar
a cabo estos cálculos, dependiendo del experimento aleatorio en cuestión.
Por ejemplo, cuando el espacio muestral es finito y cada resultado puede
suponerse igualmente probable, entonces usaremos la definición clásica de
probabilidad. En otras situaciones asignaremos probabilidades de acuerdo a
ciertos modelos que especificaremos más adelante. Se espera que, a partir de
la lectura cuidadosa de las propiedades enunciadas y demostradas, el lector
haya podido desarrollar cierta habilidad e intuición para escribir la demos-
tración de alguna otra propiedad general de la probabilidad. Algunas de
estas propiedades adicionales pueden encontrarse en la sección de ejercicios.
Se debe también mencionar que las demostraciones no son únicas y que es
muy probable que se puedan producir demostraciones diferentes a las que
aqúı se han presentado.
Ejercicios
47. Otras propiedades de la medida de probabilidad. Demuestre
las siguientes afirmaciones:
a) P pA X B X Cq ď P pA X Bq ď P pAq.
b) P pAq ď P pA Y Bq ď P pA Y B Y Cq.
c) P pA1 Y A2q ď P pA1q ` P pA2q.
42 1. Probabilidad elemental
d) P p
n
ď
i“1
Aiq ď
n
ÿ
i“1
P pAiq.
e) P p
8
ď
i“1
Aiq ď
8
ÿ
i“1
P pAiq.
f ) P pA ´ Bq “ P pAq ´ P pA X Bq.
g) P pA△Bq “ P pAq ` P pBq ´ 2P pA X Bq.
h) Si A “ B entonces P pA△Bq “ 0.
i) P pA1 X A2q ě 1 ´ P pAc1q ´ P pAc2q.
j ) P pA1 X A2 X ¨ ¨ ¨ X Anq ě 1 ´
n
ÿ
i“1
P pAci q.
k) Si A1 X A2 Ď A entonces P pAq ě P pA1q ` P pA2q ´ 1.
l) Si
n
č
i“1
Ai Ď A entonces P pAq ě
n
ÿ
i“1
P pAiq ´ pn ´ 1q.
m) Si A1 X A2 Ď A entonces P pAcq ď P pAc1q ` P pAc2q.
n) Si
n
č
i“1
Ai Ď A entonces P pAcq ď
n
ÿ
i“1
P pAci q.
ñ) Si A1, . . . , An tienen probabilidad cero entonces P p
n
ď
i“1
Aiq “ 0.
o) Si A1, . . . , An tienen probabilidad uno entonces P p
n
č
i“1
Aiq “ 1.
p) máxtP pA1q, P pA2qu ď P pA1 Y A2q ď mı́ntP pA1q ` P pA2q, 1u.
q) máxtP pA1q, . . . , P pAnqu ď P p
n
ď
i“1
Aiq ď mı́nt
n
ÿ
i“1
P pAiq, 1u.
48. Demuestre o proporcione un contraejemplo:
a) Si P pAq “ 0 entonces A “ H.
b) Si P pAq “ 1 entonces A “ Ω.
c) Si P pAq “ 0 entonces P pA X Bq “ 0.
d) Si P pAq “ P pBq entonces A “ B.
1.8. Probabilidad axiomática 43
e) Si P pA△Bq “ 0 entonces A “ B.
f ) Si P pAq “ P pBq entonces P pA△Bq “ 0.
g) Si P pA△Bq “ 0 entonces P pAq “ P pBq.
h) Si P pAq ď P pBq entonces A Ď B.
i) Si P pAq “ P pBq “ p entonces P pA X Bq ď p2.
j ) Si A X B “ H entonces P pAq ď P pBcq.
k) Si P pAq “ P pBq “ 0 entonces P pA Y Bq “ 0.
l) Si P pAq “ P pBq “ 1 entonces P pA X Bq “ 1.
m) Si A X B Ď C entonces P pCcq ď P pAcq ` P pBcq.
n) Si P pAq ą 1{2 y P pBq ą 1{2 entonces P pA X Bq ą 0.
49. Suponga que un cierto experimento aleatorio tiene como espacio mues-
tral el conjunto finito Ω “ t1, . . . , nu. Determine si las siguientes fun-
ciones son medidas de probabilidad: para cualquier A Ď Ω se define
a) P pAq “
ÿ
kPA
2k
npn ` 1q .
b) P pAq “
ÿ
kPA
2k
2n`1 ´ 2, n ą 1.
c) P pAq “
ź
kPA
kpn ` 1q
k ` 1 .
50. Sean A y B eventos tales que P pA X Bcq “ 0.2 y P pBcq “ 0.5 .
Encuentre P pA Y Bq.
51. Sean A y B eventos ajenos tales que P pAq “ 0.3 y P pBq “ 0.4 .
Encuentre:
a) P pA Y Bq.
b) P pA X Bq.
c) P pAc Y Bcq.
d) P pAc X Bcq.
e) P pAc X Bq.
f ) P pA X Bcq.
52. Determine si es posible una asignación de probabilidades para los even-
tos A y B tal que P pAq “ 1{2, P pBq “ 1{4 y P pA X Bq “ 1{3.
53. Sean A y B eventos tales que P pAq “ p, P pBq “ q y P pA X Bq “ r.
Encuentre:
44 1. Probabilidad elemental
a) P pA X Bcq.
b) P pAc X Bq.
c) P pAc X Bcq.
d) P pA△Bq.
54. Sea A, B y C tres eventos tales que P pAq “ P pBq “ 1{3, P pCq “ 1{4,
P pA X Bq “ 1{6 y P pB X Cq “ 0. Encuentre P pA X B X Cq.
55. Fórmula de inclusión-exclusión Use el método de inducción para
demostrar que si A1, A2, . . . , An son eventos arbitrarios, entonces
P p
n
ď
i“1
Aiq “
n
ÿ
i“1
P pAiq ´
ÿ
i‰j
P pAi X Ajq `
ÿ
i,j,k
distintos
P pAi X Aj X Akq
´ ¨ ¨ ¨ ` p´1qn´1P pA1 X ¨ ¨ ¨ X Anq.
56. Demuestre que la probabilidad de que exactamente uno de los eventos
A o B ocurra es
P pAq ` P pBq ´ 2P pA X Bq.
57. Sean A, B y C tres eventos. Demuestre que la probabilidad de que
exactamente:
a) uno de estos eventos ocurra es
P pAq `P pBq `P pCq ´ 2P pAXBq ´ 2P pAXCq ´ 2P pB XCq `
3P pA X B X Cq.
b) dos de estos eventos ocurran es
P pA X Bq ` P pA X Cq ` P pB X Cq ´ 3P pA X B X Cq.
c) tres de estos eventos ocurran es P pA X B X Cq.
¿Cuál es el evento que se obtiene al unir estas tres condiciones?
58. Sean P y Q dos medidas de probabilidad definidas sobre la misma
colección de eventos. Demuestre que para cada α P r0, 1s la función
αP ` p1 ´ αqQ es también una medida de probabilidad.
59. La función conjuntista P asigna un número (probabilidad) a cada
subconjunto A de R de la siguiente forma:
P pAq “
ż
A
fpxq dx,
1.9. Sigmas álgebras 45
en donde
fpxq “
#
2x si 0 ă x ă 1,
0 en otro caso,
y para aquellos conjuntos A en donde la integral esté bien definida.
Calcule la probabilidad de los siguientes conjuntos:
a) A1 “ tx P R : 1{2 ă x ă 3{4u.
b) A2 “ tx P R : x “ 1{4u.
c) A3 “ tx P R : 0 ă x ă 10u.
1.9. Sigmas álgebras
En esta breve sección vamos a definir un conjunto que agrupa a todos los
eventos de un mismo experimento aleatorio y para los cuales se puede definir
o calcular sus probabilidades. En este texto elemental no haremos énfasis
en este tipo de colecciones de eventos, pero son fundamentales para un
tratamiento serio de la teoŕıa matemática de la probabilidad.
Definición 1.6 Una colección F de subconjuntos de un espacio mues-
tral Ω es una álgebra si cumple las tres condiciones siguientes:
1. Ω P F .
2. Si A P F entonces Ac P F .
3. Si A1, A2, . . . , An P F entonces
n
ď
k“1
Ak P F .
Veamos con más detenimiento las condiciones que aparecen en la definición
anterior. La primera condición establece que el espacio muestral en su totali-
dad debe pertenecer a la colección F . Ciertamente el espacio muestral es un
evento que siempre ocurre y como hemos visto su probabilidad está bien de-
finida y es uno. La segunda condición asegura que si algún subconjunto A es
46 1. Probabilidad elemental
de interés y por lo tanto se le considera un evento, entonces el complemento
de tal conjunto también debe ser un evento. Nuevamente, por lo estudiado
antes, la probabilidad del evento Ac está siempre dada por 1 ´ P pAq.
Ω
A
B
C
Figura 1.14
Finalmente el tercer requisito en la definición establece que si se tiene una
sucesión finita de eventos entonces la unión de todos ellos también debe
ser un evento, el cual corresponde a la ocurrencia de por lo menos uno
de los eventos de la sucesión. Cuando esta tercera condiciónes también
válida para sucesiones infinitas de eventos, a la correspondiente colección
de subconjuntos de Ω se le llama σ-álgebra, en donde el prefijo σ se refiere
a la operación infinita involucrada. La definición es entonces muy parecida
a la anterior:
Definición 1.7 Una colección F de subconjuntos de un espacio mues-
tral Ω es una σ-álgebra si cumple las tres condiciones siguientes:
1. Ω P F .
2. Si A P F entonces Ac P F .
3. Si A1, A2, . . . P F entonces
8
ď
n“1
An P F .
A los elementos de F se les llama eventos.
Por lo tanto, a partir de ahora no llamaremos evento a cualquier subconjunto
1.9. Sigmas álgebras 47
del espacio muestral sino únicamente a aquellos elementos que pertenezcan
a una σ-álgebra asociada al espacio muestral. En el siguiente ejemplo se
ilustra el hecho de que pueden existir varias σ-álgebras asociadas a un mismo
espacio muestral, aunque en nuestro caso sólo trabajaremos con una sola
σ-álgebra de eventos a la vez, y con frecuencia no la especificaremos con
detalle. En la Figura 1.15 se muestra la relación existente entre álgebra y
σ-álgebra de un mismo espacio muestral: toda σ-álgebra es una álgebra. Al
respecto véanse los Ejercicios 62 y 63 en la página 48. En la siguiente sección
estudiaremos un ejemplo de σ-álgebra de cierta importancia: la σ-álgebra
de Borel de subconjuntos de R.
σ-álgebra
Álgebra
Figura 1.15
Ejemplo 1.13 Sea Ω el espacio muestral de un experimento aleatorio. No
es dif́ıcil comprobar que las siguientes colecciones de subconjuntos de Ω son
σ-álgebras:
a) F “ tH,Ωu.
b) F “ tA,Ac,H,Ωu, en donde A Ď Ω.
c) F “ 2Ω.
‚
De esta forma en una σ-álgebra F se agrupa a todos los subconjuntos de Ω
para los que estamos interesados en calcular su probabilidad y tal colección
48 1. Probabilidad elemental
constituye el dominio sobre el cual se define una medida de probabilidad.
Aśı, a cada experimento aleatorio particular se le puede asociar una pareja
pΩ,F q compuesta por el espacio muestral y una σ-álgebra de eventos.
Ejercicios
60. Sean A y B dos eventos. Demuestre que los siguientes conjuntos tam-
bién son eventos, es decir, pertenecen a la misma σ-álgebra:
a) H.
b) A X B.
c) A ´ B.
d) A Y Bc.
e) A△B.
f ) A ´ pA X Bq.
61. Sean A y B dos subconjuntos arbitrarios del espacio muestral Ω de un
experimento aleatorio. ¿Qué conjuntos es necesario añadir a la colec-
ción tA,Bu para convertirla en la mı́nima σ-álgebra de sunconjuntos
de Ω que contiene a A y a B?
62. Demuestre que toda σ-álgebra es álgebra. Mediante un contraejemplo
demuestre que el rećıproco es falso, es decir, no toda álgebra es una
σ-álgebra. Véase la Figura 1.15. Compare este resultado general con
el que se presenta en el siguiente ejercicio.
63. Sea Ω un espacio muestral finito. Demuestre que toda álgebra de sub-
conjuntos de Ω es también una σ-álgebra.
64. Sean F1 y F2 dos σ-álgebras de subconjuntos de Ω.
a) Escriba la definición de F1 X F2.
b) Demuestre que F1 X F2 es una σ-álgebra.
c) Mediante un contraejemplo demuestre que F1 Y F2 no necesa-
riamente es una σ-álgebra.
65. En un juego de tiro al blanco se pueden obtener 0 puntos, 1 punto,
2 puntos o 3 puntos. Defina el evento An como aquel en el que se
obtienen n puntos al efectuar un tiro al blanco. Claramente los eventos
A0, A1, A2 y A3 son ajenos dos a dos y constituyen una partición
1.10. Sigma álgebra de Borel 49
del espacio muestral de este experimento aleatorio. Encuentre una σ-
álgebra que contenga a estos cuatro eventos simples.
1.10. Sigma álgebra de Borel
En esta sección estudiaremos brevemente un ejemplo de σ-álgebra que nos
será de utilidad. Tomaremos como espacio muestral el conjunto de números
reales R y consideraremos la colección de intervalos de la forma p´8, xs
para cualquier número real x, es decir, sea
C “ t p´8, xs : x P R u.
Esta colección contiene un número infinito no numerable de elementos pero
es claro que no constituye una σ-álgebra de subconjuntos de R pues, por
ejemplo, no es cerrada bajo la operación de tomar complementos. La σ-álge-
bra de Borel de R se puede construir a partir de esta colección considerando
la σ-álgebra más pequeña de subconjuntos de R que contiene a la colección
C .
Definición 1.8 La σ-álgebra de Borel de R se denota por BpRq y se
define como la mı́nima σ-álgebra de subconjuntos de R que contiene
a todos los intervalos de la forma p´8, xs, esto se escribe de la forma
siguiente:
BpRq :“ σt p´8, xs : x P R u.
A los elementos de BpRq se les llama conjuntos de Borel, conjuntos
Borel medibles o simplemente Borelianos de R.
El śımbolo σ en la expresión anterior significa que se está tomando la mı́nima
σ-álgebra generada por la colección t p´8, xs : x P R u, y el adjetivo mı́nimo
significa que si F es una σ-álgebra que contiene a la colección C , entonces
BpRq Ď F , es decir, BpRq es la más pequeña. Existen otras formas equiva-
lentes de definir a BpRq pero la que hemos presentado es suficiente para los
propósitos de este texto. Es interesante mencionar también que el concepto
50 1. Probabilidad elemental
de σ-álgebra de Borel puede extenderse a Rn y aun a espacios más generales.
Para entender mejor a la σ-álgebra de Borel de R, mostraremos a continua-
ción algunos otros elementos que pertenecen a esta colección de subconjun-
tos de R. Expresaremos a estos elementos como el resultado de operaciones
de elementos que sabemos que pertenecen a BpRq y en donde las operacio-
nes son aquellas bajo las cuales toda σ-álgebra es cerrada según la definición.
En la siguiente tabla, x y y son cualesquiera números reales tales que x ď y.
Subconjunto Se expresa como
px,8q p´8, xsc
p´8, xq Ť8n“1p´8, x ´ 1{ns
rx,8q p´8, xqc
rx, ys p´8, ys ´ p´8, xq
rx, yq p´8, yq ´ p´8, xq
px, ys p´8, ys ´ p´8, xs
px, yq p´8, yq ´ p´8, xs
txu p´8, xs ´ p´8, xq
N
Ť8
n“1tnu
Z
Ť8
n“´8tnu
Q
Ť8
n,m“´8tn{mu
I (Irracionales) Qc
Aśı, todos los conjuntos en la lista anterior son elementos de BpRq, añadi-
dos con los que se puedan producir a partir de ellos. Uno podŕıa entonces
pensar que todo subconjunto de R es un Boreliano pero ello no es cierto,
se pueden construir subconjuntos de R que no son Borelianos. Una vez que
estudiemos en el siguiente caṕıtulo el concepto de variable aleatoria, esta-
remos considerando siempre impĺıcitamente conjuntos de Borel de R como
eventos.
1.11. Espacios de probabilidad 51
1.11. Espacios de probabilidad
Con los elementos antes estudiados podemos ahora definir formalmente la
estructura matemática diseñada para modelar un experimento aleatorio.
Definición 1.9 Un espacio de probabilidad es una terna pΩ,F , P q en
donde Ω es un conjunto arbitrario, F es una σ-álgebra de subconjuntos
de Ω y P es una medida de probabilidad definida sobre F .
El conjunto arbitrario Ω representa usualmente el espacio muestral de un ex-
perimento aleatorio e inicialmente tal conjunto no tiene ninguna estructura
matemática asociada, pues sus elementos pueden ser de muy diversa na-
turaleza. Este conjunto puede estar constituido por números (mediciones),
personas, objetos, categoŕıas, etc. Hemos señalado que no existe necesaria-
mente un único espacio muestral para un experimento aleatorio pero en la
mayoŕıa de los casos su especificación queda entendida de manera impĺıcita.
Hemos mencionado también en la sección anterior, que la σ-álgebra F tiene
el objetivo de agrupar en una sola colección a todos los subconjuntos de Ω,
llamados eventos, para los cuales uno está interesado en definir o calcular
su probabilidad. Aśı, la σ-álgebra es un conjunto de subconjuntos de Ω y
existen varias σ-álgebras que uno puede asociar a un mismo espacio mues-
tral.
Finalmente, la medida de probabilidad P es una función definida sobre la
σ-álgebra. Tal función no se especifica de manera totalmente expĺıcita pero
se le pide que cumpla los axiomas de Kolmogorov. Aśı, no existe siempre
una única medida de probabilidad asignada sino que ésta es general. Es-
ta función indica